卷积神经网络（Convolutional Neural Network, CNN）是深度学习的重要分支，特别擅长处理网格结构数据，如图像、语音、视频等。相比全连接神经网络，CNN通过局部感受野、权重共享和池化等机制，大幅减少了参数量，提高了训练效率和泛化能力。
- 卷积层（Convolutional Layer）
- 局部感受野：每个神经元只关注输入的局部区域，模拟人眼识别细节的方式
- 权重共享：同一卷积核在整个输入空间滑动，提取相同特征
- 多卷积核：不同卷积核提取不同特征（边缘、纹理、形状等）
- 激活函数（Activation Function）
- 引入非线性，使网络能学习复杂模式
- 常用：ReLU、Sigmoid、Tanh
- 池化层（Pooling Layer）
- 降低特征图尺寸，减少计算量
- 提高平移不变性
- 常见类型：最大池化、平均池化
- 全连接层（Fully Connected Layer）
- 将高维特征映射为类别得分
- 通常位于网络末端
- 反向传播与优化
- 误差通过反向传播算法计算
- 使用优化器（SGD、Adam等）更新参数
三、经典CNN架构示例
1. LeNet-5（1998）：手写数字识别的经典模型
2. AlexNet（2012）：ImageNet竞赛冠军，开启现代CNN时代
3. VGG（2014）：小卷积核+深层结构
4. ResNet（2015）：残差连接解决梯度消失问题